基于挤压激励网络集成与半监督学习的皮肤病变分类
计算机视觉与模式识别
2018-09-10 v1
摘要
在本报告中，我们介绍了在 ISIC 2018：面向黑色素瘤检测的皮肤病变分析的任务 3（疾病分类）中我们系统的概要。我们基于在图像识别领域取得 SOTA 结果的挤压激励网络（SENet）微调了多个预训练神经网络模型。此外，我们使用 mean teachers 作为半监督学习框架，并引入了专为皮肤病变分析设计的数据增强策略。我们确认所采用的数据增强策略提升了分类性能，并在官方 ISIC2018 验证集上取得了 87.2% 的平衡准确率。
引用
@article{arxiv.1809.02568,
title = {Skin lesion classification with ensemble of squeeze-and-excitation networks and semi-supervised learning},
author = {Shunsuke Kitada and Hitoshi Iyatomi},
journal= {arXiv preprint arXiv:1809.02568},
year = {2018}
}
备注
6 pages, 4 figures, ISIC2018